دوره تکنیک‌های اعتبارسنجی نتایج MCMC در Stan همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های اعتبارسنجی نتایج MCMC در Stan

موضوع کلی: روش‌های نمونه‌گیری مونت‌کارلو مارکوف (MCMC) در آمار بیزی

موضوع میانی: مخاطرات و تنظیمات Stan

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر روش‌های مونت کارلو زنجیره مارکوف
• 2. اصول آماری استنتاج بیزی
• 3. معرفی نرم‌افزار Stan
• 4. نصب و پیکربندی Stan
• 5. ساختار مدل‌های بیزی در Stan
• 6. نوشتن مدل‌های خطی ساده در Stan
• 7. نوشتن مدل‌های رگرسیون لجستیک در Stan
• 8. نوشتن مدل‌های مدل‌های سلسله‌مراتبی در Stan
• 9. نوشتن مدل‌های سری زمانی در Stan
• 10. نوشتن مدل‌های مدل‌های فضایی در Stan
• 11. مفاهیم پایه MCMC
• 12. الگوریتم Metropolis-Hastings
• 13. الگوریتم Gibbs Sampling
• 14. تشخیص همگرایی زنجیره‌های MCMC
• 15. معیارهای بصری برای همگرایی
• 16. معیارهای کمی برای همگرایی (Gelman-Rubin)
• 17. نکات عملی در پیاده‌سازی MCMC
• 18. انتخاب پیشین‌ها در مدل‌های بیزی
• 19. تأثیر پیشین‌ها بر نتایج
• 20. پیشین‌های نامعلومات و اطلاعاتی
• 21. نکات مربوط به پیشین‌ها در Stan
• 22. مقدمه‌ای بر اعتبارسنجی نتایج
• 23. اهمیت اعتبارسنجی نتایج MCMC
• 24. چالش‌های اعتبارسنجی نتایج MCMC
• 25. روش‌های اعتبارسنجی نتایج MCMC
• 26. بررسی کیفیت نمونه‌ها
• 27. توزیع پسین
• 28. میانگین و واریانس توزیع پسین
• 29. فاصله‌های اطمینان بیزی
• 30. محاسبه فاصله‌های اطمینان در Stan
• 31. تفسیر فاصله‌های اطمینان بیزی
• 32. بررسی چولگی و کشیدگی توزیع پسین
• 33. نمودارهای هیستوگرام
• 34. نمودارهای چگالی
• 35. نمودارهای جعبه‌ای
• 36. نمودارهای نقطه-خط
• 37. بررسی اثرات زنجیره‌ها
• 38. نمودارهای Trace Plot
• 39. نمودارهای Autocorrelation Plot
• 40. نمودارهای Cross-Correlation Plot
• 41. تحلیل حساسیت به پارامترها
• 42. بررسی تأثیر تغییر پارامترها
• 43. تحلیل حساسیت به مدل
• 44. بررسی تأثیر تغییر ساختار مدل
• 45. اعتبارسنجی مدل با داده‌های جدید
• 46. پیش‌بینی با مدل‌های بیزی
• 47. محاسبه پیش‌بینی‌ها در Stan
• 48. تفسیر نتایج پیش‌بینی
• 49. ارزیابی صحت پیش‌بینی‌ها
• 50. معیارهای ارزیابی مدل
• 51. معیار اطلاعات آکائیکه (AIC)
• 52. معیار اطلاعات بیزی (BIC)
• 53. معیار اطلاعات متقابل پیش‌بینی (PPC)
• 54. استفاده از PPC در Stan
• 55. طراحی آزمایش‌های شبیه‌سازی
• 56. شبیه‌سازی داده‌های مصنوعی
• 57. تولید داده با مدل‌های مختلف
• 58. ارزیابی عملکرد مدل با داده‌های شبیه‌سازی شده
• 59. کاربرد اعتبارسنجی در مدل‌سازی مالی
• 60. مدل‌سازی ریسک اعتباری
• 61. مدل‌سازی سری‌های زمانی مالی
• 62. مدل‌سازی پرتفوی سهام
• 63. کاربرد اعتبارسنجی در مدل‌سازی پزشکی
• 64. مدل‌سازی بقا
• 65. مدل‌سازی اپیدمیولوژیک
• 66. مدل‌سازی ژنتیکی
• 67. کاربرد اعتبارسنجی در مدل‌سازی علوم اجتماعی
• 68. مدل‌سازی رفتار رای‌دهندگان
• 69. مدل‌سازی مهاجرت
• 70. مدل‌سازی شبکه‌های اجتماعی
• 71. کاربرد اعتبارسنجی در مدل‌سازی مهندسی
• 72. مدل‌سازی قابلیت اطمینان
• 73. مدل‌سازی سیستم‌های پیچیده
• 74. مدل‌سازی پیش‌بینی عملکرد
• 75. نکات پیشرفته در اعتبارسنجی نتایج MCMC
• 76. استفاده از ابزارهای جانبی برای اعتبارسنجی
• 77. بسته‌های R برای اعتبارسنجی MCMC
• 78. بسته‌های Python برای اعتبارسنجی MCMC
• 79. نکات مربوط به تنظیم پارامترهای MCMC
• 80. انتخاب تعداد زنجیره‌ها
• 81. انتخاب طول زنجیره
• 82. تنظیم پارامترهای الگوریتم‌های MCMC
• 83. بهینه‌سازی سرعت اجرای MCMC
• 84. روش‌های نمونه‌برداری پیشرفته
• 85. نمونه‌برداری متغیرهای پنهان
• 86. نمونه‌برداری مدل‌های مختلط
• 87. مدیریت مدل‌های بزرگ و پیچیده
• 88. اشکال‌زدایی مدل‌های Stan
• 89. تکنیک‌های عیب‌یابی خطاهای MCMC
• 90. بررسی ناسازگاری مدل
• 91. بهبود کارایی کد Stan
• 92. ملاحظات اخلاقی در مدل‌سازی بیزی
• 93. شفافیت در گزارش نتایج
• 94. تفسیر صحیح نتایج آماری
• 95. اهمیت مستندسازی مدل‌ها
• 96. دقت در استفاده از اصطلاحات علمی
• 97. اجتناب از تعمیم‌های بی‌مورد
• 98. رعایت چارچوب‌های قانونی در انتشار محتوا
• 99. مسئولیت‌پذیری در قبال نتایج
• 100. تعهد به به‌روزرسانی دانش